tensorflow模型持久化儲存和載入

模型檔案的儲存

tensorflow將模型保持到本地會生成4個檔案：

meta檔案：儲存了網路的圖結構，包含變數、op、集合等資訊

ckpt檔案： 二進位制檔案，儲存了網路中所有權重、偏置等變數數值，分為兩個檔案，一個是.data-00000-of-00001 檔案，一個是 .index 檔案

checkpoint檔案：文字檔案，記錄了最新保持的5個模型檔案列表

tf中模型儲存使用 tf.train.Saver類來儲存模型。使用方式：

1. 在Session外生成一個模型儲存物件

saver = tf.train.Saver()

2. 在Session中以當前環境Session為引數，儲存模型到本地磁碟

saver.save(sess,"./model/Model_test")

Saver類的建構函式定義：

def __init__(self,
               var_list=None,
               reshape=False,
               sharded=False,
               max_to_keep=5,
               keep_checkpoint_every_n_hours=10000.0,
               name=None,
               restore_sequentially=False,
               saver_def=None,
               builder=None,
               defer_build=False,
               allow_empty=False,
               write_version=saver_pb2.SaverDef.V2,
               pad_step_number=False,
               save_relative_paths=False,
               filename=None):

常用的幾個變數：

• var_list： 指定要儲存的變數的序列或字典，預設為None，儲存所有變數
• reshape： 可選引數，如果為True，表示允許變數以不同的形狀儲存，如果為False，表示保持的變數只能有同樣一種形狀和資料型別，預設為False;
• max_to_keep： 定義最多儲存最近的多少個模型檔案，預設是5個;
• keep_checkpoint_every_n_hours： 定義多少個小時儲存模型一次，預設10000個小時;
• name： 可選引數，新增到操作名稱前的字首，預設None;
• restore_sequentially：定義在裝置上是否按照順序恢復變數，順序恢復可以降低內參使用，預設False;
• saver_def：可選引數，用在需要重建Saver物件場合，預設None;
• allow_empty：是否允許儲存一個沒有任何變數的空圖，預設False;

saver.save函式定義：

def save(self,
           sess,
           save_path,
           global_step=None,
           latest_filename=None,
           meta_graph_suffix="meta",
           write_meta_graph=True,
           write_state=True,
           strip_default_attrs=False):

常用引數：

• sess： 當前的會話環境;
• save_path: 模型儲存路徑;
• global_step： 訓練輪次，如果新增，會在模型檔名稱後加上這個輪次的字尾，預設None，不新增，最好設定這個引數，要不然模型檔案就會由於重名覆蓋掉之前儲存的;
• latest_filename： checkpoint文字檔案的名稱，預設為‘checkpoint’
• meta_graph_suffix： 儲存的網路圖結構檔案的字尾，預設為mata;
• write_meta_graph： 定義是否儲存網路結構，預設是True儲存，由於網路結構在訓練過程中是不會變的，所以儲存過一次後可以設定 write_meta_graph為False，不用每次都儲存圖結構;

簡單示例，以下程式中 X和Y是一個含有128個元素的列表，每個元素是一個二維陣列，定義公式  Y = (X*w1+b1)*(w2)+b2  ，使用tensorflow網路迭代求 w和b 的最優解，完成之後保持模型到本地 model_test 資料夾。

# -*- coding: utf-8 -*-)
import tensorflow as tf
from numpy.random import RandomState

# 定義訓練資料batch的大小
batch_size = 8

# 在shape上使用None表示該維度的具體數值不定
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

# 定義神經網路的引數
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
bias1 = tf.Variable(tf.random_normal([3], stddev=1, seed=1))
bias2 = tf.Variable(tf.random_normal([1], stddev=1, seed=1))

# 定義神經網路前向傳播的過程，即操作
a = tf.nn.relu(tf.matmul(x, w1) + bias1)
y = tf.nn.relu(tf.matmul(a, w2) + bias2)

# 定義損失函式和反向傳播演算法
loss = tf.reduce_sum(tf.pow((y - y_), 2))
train_step = tf.train.AdamOptimizer(0.001).minimize(loss)  # 梯度下降優化演算法

# produce the data，通過隨機數生成一個模擬資料集
rdm = RandomState(seed=1)  # 設定seed = 1 ，使每次生成的隨機數一樣
dataset_size = 128
X = rdm.rand(dataset_size, 2)
Y = [[x1 + 10 * x2] for (x1, x2) in X]

# 生成一個保持模型物件
saver = tf.train.Saver()

# creare a session，建立一個會話來執行TensorFlow程式
with tf.Session() as sess:

    # 初始化變數
    sess.run(tf.global_variables_initializer())

    # 設定訓練的輪數
    STEPS = 10000
    for i in range(STEPS + 1):
        # get batch_size samples data to train，每次選取batch_size個樣本進行訓練
        start = (i * batch_size) % dataset_size
        end = min(start + batch_size, dataset_size)

        # 通過選取的樣本訓練神經網路並更新引數
        sess.run(train_step, feed_dict={x: X[start: end], y_: Y[start: end]})
        if i % 500 == 0:
            # 每隔一段時間計算在所有資料上的loss並輸出
            total_cross_entropy= sess.run([loss], feed_dict={x: X, y_: Y})
            print ("steps: {}, total loss: {}".format(i,total_cross_entropy))

    # 在訓練結束之後，保持神經網路模型
    saver.save(sess, "./model_saved/model_test")

    print sess.run((w1,bias1))
    print('^^^^^^^^^^^^^^^^^^^^^^^^^')
    print sess.run((w2,bias2))
    
# output:
# steps: 0, total loss: [2599.938]
# steps: 500, total loss: [873.66064]
# steps: 1000, total loss: [667.79114]
# steps: 1500, total loss: [483.07538]
# steps: 2000, total loss: [300.2436]
# steps: 2500, total loss: [159.57596]
# steps: 3000, total loss: [74.0152]
# steps: 3500, total loss: [30.022282]
# steps: 4000, total loss: [10.848581]
# steps: 4500, total loss: [3.8684735]
# steps: 5000, total loss: [1.6775348]
# steps: 5500, total loss: [0.87090385]
# steps: 6000, total loss: [0.47393078]
# steps: 6500, total loss: [0.2628175]
# steps: 7000, total loss: [0.13229856]
# steps: 7500, total loss: [0.058554076]
# steps: 8000, total loss: [0.022747971]
# steps: 8500, total loss: [0.007896027]
# steps: 9000, total loss: [0.002599821]
# steps: 9500, total loss: [0.0007222026]
# steps: 10000, total loss: [0.00021833208]
# (array([[-0.8113182 ,  0.741788  , -0.06654923],
#        [-2.4427042 ,  1.7258024 ,  3.505848  ]], dtype=float32), array([-0.8113182 ,  0.9206883 , -0.00473781], dtype=float32))
# ^^^^^^^^^^^^^^^^^^^^^^^^^
# (array([[-0.8113182],
#        [ 1.5360606],
#        [ 2.0962803]], dtype=float32), array([-1.4044524], dtype=float32))

經過10000次迭代之後完成訓練，在本地model_test目錄下建立了模型的4個檔案：

模型檔案的載入

模型檔案的圖結構跟資料是分開儲存的，載入模型時候可以先載入圖結構，再載入圖中的引數(在Session中操作)：

saver=tf.train.import_meta_graph('./model_saved/model_test.meta')
saver.restore(sess, tf.train.latest_checkpoint('./model_saved'))

或者一次性載入：

saver = tf.train.Saver()
saver.restore(sess, './model_saved/model_test')
或：
saver.restore(sess, tf.train.latest_checkpoint('./model_saved'))

‘model_test’是儲存的模型檔名稱（字首名，不帶字尾）

更加安全一點的載入方式，先判斷模型檔案是否存在判斷（推薦使用這種方式）：

ckpt = tf.train.get_checkpoint_state('./model_saved')
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(sess, ckpt.model_checkpoint_path)

# -*- coding: utf-8 -*-)
import tensorflow as tf
from numpy.random import RandomState

# 定義訓練資料batch的大小
batch_size = 8

# 在shape上使用None表示該維度的具體數值不定
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

# 定義神經網路的引數
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
bias1 = tf.Variable(tf.random_normal([3], stddev=1, seed=1))
bias2 = tf.Variable(tf.random_normal([1], stddev=1, seed=1))

# 定義神經網路前向傳播的過程，即操作
a = tf.nn.relu(tf.matmul(x, w1) + bias1)
y = tf.nn.relu(tf.matmul(a, w2) + bias2)

# produce the data，通過隨機數生成一個模擬資料集
rdm = RandomState(seed=1)  # 設定seed = 1 ，使每次生成的隨機數一樣
dataset_size = 128
X = rdm.rand(dataset_size, 2)
Y = [[x1 + 10 * x2] for (x1, x2) in X]

# creare a session，建立一個會話來執行TensorFlow程式
with tf.Session() as sess:
    saver = tf.train.import_meta_graph('./model_saved/model_test.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./model_saved'))

    # 初始化變數
    sess.run(tf.global_variables_initializer())

    print(sess.run(y,feed_dict={x: X[0: 10], y_: Y[0: 10]}))
    
# output:
# [[2.4518511]
#  [1.4534602]
#  [1.7382364]
#  [1.8725655]
#  [2.3733683]
#  [2.4501202]
#  [2.0117776]
#  [1.582149 ]
#  [2.4224167]
#  [1.7438407]]

tf.train.Saver常用函式列表：

操作	描述
類tf.train.Saver(Saving and Restoring Variables)
tf.train.Saver.__init__(var_list=None, reshape=False, sharded=False, max_to_keep=5, keep_checkpoint_every_n_hours=10000.0, name=None, restore_sequentially=False, saver_def=None, builder=None)	建立一個儲存器Saver var_list定義需要儲存和恢復的變數
tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix=’meta’, write_meta_graph=True)	儲存變數
tf.train.Saver.restore(sess, save_path)	恢復變數
tf.train.Saver.last_checkpoints	列出最近未刪除的checkpoint 檔名
tf.train.Saver.set_last_checkpoints(last_checkpoints)	設定checkpoint檔名列表
tf.train.Saver.set_last_checkpoints_with_time(last_checkpoints_with_time)	設定checkpoint檔名列表和時間戳